从第一性原理构建神经符号数学家

大语言模型（LLM）由于缺乏内部公理化框架，在复杂推理中表现出持续的逻辑失败。我们提出Mathesis，一种神经符号架构，它将数学状态编码为高阶超图，并使用符号推理内核（SRK）——一个将约束映射到连续能量景观的可微逻辑引擎。通过定义全局能量函数E(G)，其中零能量意味着逻辑一致，SRK产生基于梯度的信号来训练一个超图Transformer大脑，将证明搜索转化为能量最小化。多步演绎通过蒙特卡洛树搜索和进化证明搜索实现，并由学习到的价值函数和语义合一引导。